アメリカのショッピングプラットフォームStitch Fixの王建強氏：データ主導の意思決定サポートと製品インテリジェンス

[51CTO.comより] 最近、51CTOが主催するWOTAグローバルアーキテクチャと運用技術サミットが北京フラマルネッサンスホテルで成功裏に終了しました。サミットでは、著者がアメリカのショッピングプラットフォームStitch Fixのデータサイエンスディレクターである王建強氏と独占インタビューを行いました。話題は主にデータ駆動型の意思決定支援と製品インテリジェンスを中心に展開されました。

[[189267]]

Jianqiang Wang、Stitch Fix データサイエンス担当ディレクター

彼の経歴について尋ねたところ、彼はTwitterで働いており、そこで広告推奨アルゴリズムに関する業務を担当していたことが分かりました。なぜ大企業で働くことを諦めてスタートアップを選んだのかと尋ねると、彼はこう答えた。「実は、大企業と中小企業にはそれぞれ長所と短所があります。一般的に言えば、大企業で働くと給料が良くなり、生活が安定しますが、同時に、大企業は中小企業ほど多くの課題を抱えていません。大企業では、より特定の領域に限定された仕事をすることができるかもしれません。」しかし、小さな会社に行けば、個人的な成長の余地がより多くあります。

スティッチフィックスのビジネスモデルとビジネスプロセス

ワン・ジエンチアン氏は、スティッチ・フィックスに入社した主な理由は、スティッチ・フィックスのビジネスモデルを評価したことだと語った。 Stitch Fix のビジネス モデルは、Netflix の初期のビジネス モデルと非常によく似ています。2004 年から 2005 年頃の Netflix のビジネス モデルは、主にユーザーが視聴したい映画のキューをオンラインで作成できるというものでした。そのようなキューを作成した後、Netflix は映画をユーザーの自宅に送ります。 Stitch Fixもダイレクトメールモデルを採用していますが、それはeコマース＋ダイレクトメール＋レコメンデーションです。

Stitch Fix は、オンラインでパーソナライズされた衣料品を推奨する会社です。ユーザーが登録すると、システムはユーザーの自宅に送る服をいくつか推奨し、ユーザーは自分の興味や好みに基づいてこれらの服を購入するかどうかを決定できます。 Stitch Fix は主に、ユーザーのショッピングの悩みを解決します。たとえば、私たちの生活の中でほとんどの人は非常に忙しく、買い物に行く時間がありません。新しい服装の好みや着こなしの体験を見つけたいユーザーもいるでしょう。ファッショントレンドを追いかけて、そのようなシナリオを試してみたいと思っている人もたくさんいます。同社には約300人の正社員と約2,000人のパートタイムのスタイリストがいます。同社は、スタイリストがいつでもどこでも働けるよう、週10時間以内の労働で済むよう、スタイリストプラットフォームを提供する。

スティッチ・フィックスのビジネスモデル

スティッチ・フィックスのビジネスモデルについて尋ねられた王建強氏は、ユーザーの視点から見ると、ユーザーは個人的なスタイルに関するアンケートに答える必要があり、そのアンケートでは色、価格、サイズなど、服を買うときに考慮される一般的な問題がカバーされると述べた。 Stitch Fix は、ユーザーの個人的なスタイルに関するアンケートを収集し、アルゴリズムとスタイリストのアドバイスを組み合わせて推奨事項を作成します。その後、ユーザーは 5 種類の異なる服を受け取り、都合のよい場所で試着して他の服と組み合わせることができます。気に入った場合はそのまま保管し、気に入らなければ返品することができます。

Stitch Fix の観点からは、次の 3 つのことを行う必要があります。まず、ユーザーが要求を送信したときに、送料や配達時間なども考慮しながら、どの倉庫が要求を満たせるかを確認します。次に、ユーザーとスタイリストをマッチングさせます。これらには、取引履歴やスタイリストのユーザー評価などが考慮されます。 3 つ目は、人と商品をマッチングさせることですが、これはより伝統的な機械学習アルゴリズムとして理解できます。

スティッチフィックスの参照機能と推奨アルゴリズム

王建強氏は、既存のビジネスモデルに基づき、主な参考となるのはユーザー特性、製品特性、過去の取引データであると述べた。ユーザー特性にはアンケート特性が含まれます。ここで言及する価値があるのは、Stitch Fixがユーザー情報を収集する際に、比較的長いファイルアンケートを使用して、買い物時のユーザー情報のあらゆる側面を収集し、ユーザーも自分の情報を共有することに積極的であるということです。これは一部のソーシャルネットワークとは異なります。たとえば、Weiboなどのソーシャルネットワーキングサイトでは、ユーザーはプライバシーの露出を非常に懸念しています。逆に、Stitch Fix のようなショッピング プラットフォームでは、ユーザーは Stitch Fix にもっと個人的な情報を提供すれば、より正確な推奨をしてくれると感じています。そのため、Stitch Fix はある程度、ユーザーと同じ出発点を持っているため、より高品質でより多くのユーザー嗜好データを取得できます。製品の特徴は、ディープ ニューラル ネットワークを通じて学習された特徴です。各製品の写真をディープ ニューラル ネットワークに入力し、各製品プロセスの製品類似性マトリックスを計算します。このようにして、いくつかの類似した推奨事項を作成できます。

アルゴリズムに関して言えば、Stitch Fix は主にオープンソース ライブラリに基づいて独自のアルゴリズムを開発しており、これは Facebook に似たモデルです。 Stitch Fix は、ロジスティック回帰、分類ツリー、協調フィルタリングと特徴ベース モデリングを組み合わせた因数分解マシンなどに基づく推奨アルゴリズムを多数開発しました。因数分解マシンは、スパースな特徴だけでなく、比較的密度の高い特徴も処理できるため、2 in 1 モデルに相当します。

人間と機械のコラボレーション 1+1>2

人と商品のマッチングは、機械のアルゴリズムや手作業だけに頼るのではなく、人間と機械のコラボレーションによって行われます。まず、アルゴリズムを使用して大量の在庫データをスキャン、フィルタリング、並べ替えることで、膨大な在庫を手動で時間をかけてスクリーニングするという難しさを解決します。第二に、試着のプロセスから、特定のタイプの衣服が特定の年齢層のユーザーに好まれる可能性があることを発見するなど、パターンを見つけることができます。同時に、データのノイズ低減も行われます。たとえば、スタイリストによって選択が異なる場合があり、システムの品質を保証することが困難になります。そのため、アルゴリズムによるさらなるスクリーニングが必要となり、全員が選択した服の品質をある程度保証します。

***で書かれています:

ショッピングプラットフォームに欠かせないのは速達の構築だ。王建強氏は、米国の速達業界では物流が比較的簡単だと述べた。Stitch Fixは主に米国郵政公社を通じてユーザーに荷物を送っているため、米国郵政公社と協力するだけでよい。しかし、中国では速達プラットフォームが比較的分散しており、断片化しています。Stitch Fixが中国で事業を拡大する場合、さまざまな速達会社と協力することは避けられず、この協力システムを統合するにはいくつかの課題があります。

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]